在网络安全领域，渗透测试的自动化一直是安全工程师追求的目标。传统的人工渗透测试依赖安全专家的经验和手动操作，效率低下且难以规模化。PentAGI（Penetration testing Artificial General Intelligence）作为一个完全自主的 AI Agent 系统，能够执行复杂的渗透测试任务，其架构设计融合了多智能体编排、专业工具链集成与知识图谱记忆等前沿技术。本文将从技术架构角度深入解析这一系统的核心设计。
多智能体任务分解与编排机制
PentAGI 的核心架构采用了多智能体分工协作的模式，将复杂的渗透测试流程拆解为多个专业化子任务，由不同角色的 Agent 协同完成。系统定义了四种核心 Agent 角色：Orchestrator（编排器） 负责整体流程控制和任务分配；Researcher（研究员） 负责信息收集和目标分析；Developer（开发者） 负责制定攻击计划；Executor（执行者） 负责具体工具的执行和验证。
这种分工设计体现了软件工程中的单一职责原则。每个 Agent 专注于特定类型的任务，通过结构化的消息传递进行协作。编排器在收到用户请求后，首先查询向量存储中相似历史任务的经验，然后从知识库加载相关的上下文信息。基于这些背景知识，编排器将任务分解为多个子任务，并分配给相应的专业 Agent 执行。每个子任务完成后，结果会回传给编排器，由其决定下一步行动或是否需要重新规划。
值得注意的是，PentAGI 采用了执行监控（Execution Monitoring） 和智能任务规划（Intelligent Task Planning） 两层保护机制来确保任务执行的可靠性。执行监控会在 Agent 表现出重复行为或可能陷入无限循环时自动触发，调用 Adviser Agent（导师角色）进行干预。智能任务规划则会在任务开始前由 Planner Agent 生成 3 到 7 个具体的可执行步骤，形成结构化的任务分配方案。这两项功能对于使用较小参数规模模型（如 32B 以下）的部署尤为重要，测试数据显示启用后可将结果质量提升 2 倍。
工具链编排与沙箱执行环境
渗透测试的核心在于工具的高效运用。PentAGI 内置了超过 20 种专业安全工具，包括 nmap（端口扫描）、metasploit（漏洞利用框架）、sqlmap（SQL 注入）等业界标准工具。系统会根据任务类型自动选择最合适的工具，并在隔离的 Docker 容器中执行，确保测试过程的安全性。
工具链编排采用了函数调用（Function Calling） 机制实现 LLM 与工具的交互。系统定义了标准化的工具接口，包括终端命令执行、文件操作、Web 浏览器控制、搜索引擎查询等能力。LLM 通过理解任务需求，生成结构化的工具调用请求，系统执行后返回结果供 Agent 推理使用。这种设计将工具执行与推理逻辑解耦，使系统能够灵活扩展新的安全工具。
为了防止资源耗尽和异常行为，系统设置了工具调用上限（Tool Call Limits）。普通 Agent（如 Assistant、Primary Agent、Pentester 等）默认最多调用 100 次工具，而受限 Agent（如 Searcher、Enricher、Memorist 等）默认上限为 20 次。当接近限制时，Reflector Agent 会引导 Agent 正常完成当前任务，避免强制中断导致的状态不一致。
记忆系统与知识图谱集成
PentAGI 采用了三级记忆架构来支持智能的上下文管理和知识复用：长期记忆（Long-term Memory） 通过向量数据库存储历史任务的经验和成功模式；工作记忆（Working Memory） 维护当前任务的上下文状态和活跃目标；情景记忆（Episodic Memory） 记录过去动作的结果和学习到的最佳实践。
向量存储基于 PostgreSQL 的 pgvector 扩展实现，支持语义相似性搜索。当新任务到来时，系统会自动检索与当前目标相似的历史案例，将成功经验作为上下文提供给 Agent 参考。这种设计显著减少了重复试错，提高了渗透测试的成功率。
知识图谱集成是 PentAGI 的另一项核心技术。系统使用 Graphiti（基于 Neo4j）构建实体关系网络，自动从 Agent 交互中提取和存储结构化知识。知识图谱不仅记录工具、目标、漏洞和技术之间的关系，还保留了时间维度信息，支持查询类似攻击场景下的有效方法。例如，系统可以回答「哪些工具在类似目标上最为有效」这类复杂查询。
模型配置与生产部署参数
PentAGI 支持灵活的大语言模型配置，系统默认配置针对不同任务类型使用了不同的模型策略。编排器和主要推理 Agent 推荐使用 o4-mini 或 o3 等具备强推理能力的模型；代码生成和漏洞分析任务可使用 GPT-5.2-codex 等代码专用模型；高频扫描和快速评估任务则可采用 GPT-5-nano 等轻量级模型以优化成本。
对于需要完全本地化部署的场景，官方提供了基于 vLLM + Qwen3.5-27B-FP8 的生产级配置指南。该配置在 4 张 RTX 5090 GPU 上可实现约 13,000 TPS 的提示处理速度和 650 TPS 的补全速度，支持 12 个以上并发任务流，完全脱离对云端 API 的依赖。
系统部署要求相对亲民：最低仅需 2 核 CPU、4GB 内存和 20GB 磁盘空间。生产环境推荐使用双节点架构，将任务执行节点与主控节点分离，通过 TLS 认证的 Docker-in-Docker 机制实现安全的远程渗透测试操作。
安全评估闭环与监控体系
PentAGI 建立了完整的安全评估闭环：信息收集 → 漏洞分析 → 攻击规划 → 工具执行 → 结果验证 → 报告生成。每个阶段的输出都会存储到向量数据库和知识图谱中，供后续任务参考。系统还集成了 Langfuse 用于 LLM 运营监控，以及 Grafana + Prometheus + OpenTelemetry 组成的可观测性栈，实时追踪系统状态和任务执行指标。
综合来看，PentAGI 代表了 AI 安全工具化的前沿方向。其多智能体架构设计、专业工具链的深度集成、以及知识图谱驱动的记忆机制，为自动化渗透测试提供了可工程化的解决方案。对于安全团队而言，理解其架构设计思路有助于在自研工具或选型时做出更明智的决策。